基于改进YOLOv8s的多尺度检测算法

针对绝缘子小目标特征信息不足导致的检测精度低、模型体积大不利于硬件移植等问题,提出一种多尺度检测算法MPH-YOLO。MPH-YOLO首先通过扩充小目标检测尺度,提高小目标感知能力;其次使用SIoU损失函数代替YOLOv8s中的CIoU损失函数作为边框损失函数,增强对目标的定位精度;最后引入更低成本的Ghost卷积代替网络结构中的传统卷积,轻量化模型的体积。改进后的算法在绝缘子数据集上的检测精度和模型轻量化均有提升,检测精度mAP50-95为86.2%,模型体积仅有4.7 MB。实验结果表明,MPH-YOLO不仅能够有效改善小目标检测,而且更加轻量化有利于硬件移植,具有较高的实用价值。

士兵和装甲车目标多尺度检测方法

针对士兵和装甲车目标的尺度差异大以及目标距离远近造成的目标多尺度问题,以YOLOv4深度学习算法为基础,提出了一种多尺度目标检测方法.通过针对性的数据增强方法丰富小目标样本的多样性,对输入图像进行分割预处理以提高网络输入小目标的分辨率,并基于特征金字塔网络实现大、中、小目标的分离检测,最后匹配检测结果并进行NMS处理去除冗余检测框,从而实现多尺度目标检测.实验结果表明,本文方法在保持大目标检测效果的情况下,中、小目标的平均检测精度分别提升了1.20%和5.54%,有效提高了中、小目标的检测效果.

局部加权拟合的无人机遥感影像多尺度检测

传统影像检测方法的几何校正准确率低,边缘细节提取效果差,为此提出基于局部加权拟合的无人机遥感影像多尺度检测方法。通过几何校正方法提取遥感影像的完整边缘,采用改进局部加权拟合算法确定局部校正区域;以多尺度、多方向结构元素获取影像边缘特征,结合多尺度自适应均衡边缘检测技术实现形态学重构和梯度运算,计算影像灰度值方差权重比;通过自适应均衡求和获取遥感影像边缘轮廓,实现无人机遥感影像多尺度检测。实验结果表明,该方法能够增强影像几何校正准确率,提升边缘细节提取效果,影像内噪声较少。

工业图像中屋脊边缘多尺度检测方法

针对屋脊边缘的特点，提出了一种多尺度屋脊边缘的检测方法．该方法分析了图像中屋脊边缘的可能性，并根据该可能性度量自适应调整滤波器的尺度参数．分析了对屋脊边缘进行滤波的尺度参数选取范围。

适用于密集人群目标检测的多尺度检测方法

针对密集人群场景下的目标检测问题,提出了一种多尺度的目标检测方法。在粗尺度下,使用优化的DPM(Deformable Part Model)检测方法,将人体全身作为检测对象,检测整个场景中的稀疏目标;在细尺度下,将头部作为检测对象,使用重新训练的Faster R-CNN(Region-based Convolutional Neural Network)网络检测稠密人群中的目标。将两种尺度下检测结果通过非极大值抑制(NMS,Non-Maximum Suppression)方法结合在一起,这样两种方法既互相补充又能去除冗余检测结果。实验结果证明,相比于单独的DPM检测方法和Faster R-CNN检测方法,提出的多尺度检测方法在检测精度上有显著提升。

融合高效注意力的多尺度输电线路部件检测

针对在高分辨率输电线路图像中,不同种类部件尺度跨越大,难以被均衡检测的问题,提出一种融合高效注意力的多尺度输电线路部件检测算法。在YOLO v5目标检测算法中,设计添加高效注意力模块ECBAM提高算法特征提取能力。根据输电线路部件的特征分布统计,使用滑动窗口对高分辨率输电线路图像进行切片,并对切片前后的图像分别使用改进后的YOLO v5算法训练模型。将两个模型的检测结果进行集成,得到多尺度输电线路部件检测结果。在公开的PLAD架空输电线路图像数据集上,该模型的检测性能远超现有目标检测模型,Precision可达83.2%,Recall可达92.8%,相比数据集原作者提出的模型,mAP值提升了1.6个百分点,达到了90.8%,且能检测出未在原始数据集上标注出的隐蔽目标,验证了在高分辨率图像中检测多尺度输电线路部件的有效性。

滑窗注意力多尺度均衡的密集行人检测算法

由于现实场景下的行人目标在形态、尺度等方面存在巨大差异,相比于传统方法对多尺度行人检测平均精准率较低的情况,基于Transformer注意力机制的网络在行人检测领域已经展现出强大的性能。然而,密集场景下的多尺度检测仍存在一些难点。在密集场景中,通常会包含大量的被遮挡或小规模的行人目标,导致模型产生大量的误检和漏检,同时耗费大量的计算资源。此外,当行人目标重叠较为严重时,准确地检出所有目标也会变得极为困难。为了解决上述问题,提出了一种基于滑窗注意力的密集场景多尺度行人检测算法。在Backbone中使用改进Swin block使得网络能够提取到更多的细节特征,同时减少注意力机制带来的繁重计算量。为有效解决特征融合问题,在Neck部分使用DyHead block来统一多个注意力运算,以此提高特征融合效率。针对特征均衡问题,设计了一种基于全连接的特征尺度均衡模块,通过在特征金字塔的各层级之间构造不同的残差结构来进行特征平衡,辅助模型生成更高质量的特征图。在WiderPerson数据集上的实验结果表明,该算法在AP值上提升了1.1个百分点,在最值得关注的小目标和中目标上也分别有1.0和0.7个百分点的提升。

面向无人机航拍图像的多尺度目标检测研究

针对无人机航拍图像背景复杂、小目标占比高且分布不均导致的现有算法精度不佳等问题,提出了一种面向无人机航拍图像的多尺度目标检测网络VTO-YOLOv8。首先,采用WIoU v3作为边界框回归损失函数,并使用明智的梯度分配策略,这一策略将使网络更加关注普通质量样本,从而提高其定位能力;其次,设计四层T-BiFPN结构,加强浅层特征和深层特征的融合;此外,设计C2f-DBB多分支模块,在不增加计算量的前提下,提升检测性能;同时,使用聚焦调制模块,加强不同尺度信息的交互。实验结果表明,网络在Visdrone2019数据集上相较基准模型在mAP50和mAP指标上分别提高了9.0%和5.9%,同时参数降低了22.6%,可更好地应用于无人机航拍目标检测中。

基于背景抑制与改进多尺度LSD的声呐小目标检测算法

针对声呐小目标检测由于水下环境复杂、目标回波信号弱等因素造成虚警率和误检率较高的问题,文章提出基于背景抑制和改进直线分割检测(Line Segment Detection,LSD)的检测算法。首先对原始声呐数据截取序列片段,构建多周期累积历程图,凸显运动目标轨迹线特征;其次设计边缘滤波算子,有效滤除部分背景噪声,并结合投影变换进行线特征增强,不仅实现了断裂直线重连,还抑制了剩余噪声;然后基于图像金字塔改进了多尺度LSD直线分割检测算法,有效缓解了过检测问题,大幅增加了直线平均长度;最后为了合并冗余检测信息,利用运动轨迹时空一致性特征设计后处理模块,提高了检测定位精度。通过多组无人遥控潜水器(Remotely Operated Vehicle,ROV)、潜水员、空心球靶小目标序列的湖试、海试数据的定量与可视化结果定性分析,实验结果显示,文中算法与传统LSD相比,误检率和漏检率分别降低了11.2和3.9个百分点,定位误差下降了1.495个像素。结果表明,文中所提算法大幅提高了声呐小目标检测精度,为后续水下目标识别、跟踪等任务奠定重要基础。

面向火灾的多尺度目标检测算法

传统的火灾检测依靠各种传感器或者一些传统算法,只适用于特定场景,鲁棒性差,检测精度低,定位不准,并且检测时间长,不能满足实时性的要求。针对以上问题,提出一种基于YOLO V3的多尺度目标检测算法,自动提取火焰特征并实现多尺度的火焰检测。首先对YOLO V3的结构进行改进,将YOLO V3原先的特征提取网络Darknet-53替换为DenseNet,削弱网络加深带来的梯度消失问题,并且能够增强特征复用,提高网络对低层特征的学习,接着,为了消除感受野内像素作用的高斯分布,将DenseNet中的下采样改为空洞卷积。最后,优化锚框的定位方式,并根据新的定位方式修改损失函数,使网络对目标的定位更加准确。实验结果表明,改进的算法准确率和召回率为90%,85%。检测速度可以达到31帧/s,能够满足火灾检测对准确率和实时性的要求。

嵌入Dense Net的YOLOv4多尺度隧道火灾检测算法

为解决现有火灾检测算法在公路隧道的应用较少以及算法检测的准确性和实时性不能满足要求,提出一种改进的YOLOv4隧道火灾检测算法。由于公开的隧道火焰数据集较少,通过模拟火灾形成初期的火焰和网上搜集构建了一个包含3000张隧道火焰图片的数据集,在数据集中添加了500张隧道车灯和500张隧道照明灯用于模型训练,提高泛化性。然后在YOLOv4的特征提取层的CSP结构中嵌入DenseNet,融合多尺度的浅层特征信息,增强特征复用,降低梯度消失的问题和抑制过拟合。再在特征网络检测层中增加了104×104特征检测尺寸,增强隧道火灾形成初期小目标火焰的检测精度。实验结果表明:上述算法检测精度为90.4%,在原YOLOv4网络上提高了5.2%,其检测速度可达0.16s,满足隧道实时检测的要求,并且对小尺寸火焰也有很好的检测效果,对实现隧道火灾初期预警具有重要意义。

多尺度神经网络煤层气微地震检测研究

在煤层气勘探开发中,通过微地震监测技术掌握裂缝走向,调整采煤巷道位置、方位对安全生产具有重要意义。因此,提出一种基于多尺度卷积神经网络的微地震检测方法,较好地解决了在强干扰环境下的弱信号识别的问题。研究表明:在不同强度的噪声干扰下,本文方法的检测精确率和召回率均优于小波分析法、BP网络和卷积神经网络等方法,且具有较好的抗噪性。当信噪比大于6 dB时,模型检测召回率可达到90%以上,精确率可达到92.1%以上。通过黑龙江某地区实际煤层气微地震监测数据的验证,模型具有良好表现。

引入Transformer的道路小目标检测

针对道路场景中检测小目标时漏检率较高、检测精度低的问题,提出一种引入Transformer的道路小目标检测算法。在原YOLOv4算法基础上,对多尺度检测进行改进,把浅层特征信息充分利用起来;设计ICvT(improved convolutional vision transformer)模块捕获特征内部的相关性,获得上下文信息,提取更加全面丰富的特征;在网络特征融合部分嵌入改进后的空间金字塔池化模块,在保持较小计算量的同时增加特征图的感受野。实验结果表明,在KITTI数据集上,算法检测精度达到91.97%,与YOLOv4算法相比,mAP提高了2.53%,降低了小目标的漏检率。

融合超分辨率重建技术的多尺度目标检测算法

目前大多数目标检测算法,由于尺度跨度较大而导致模型整体精确率和召回率不高,容易出现错检、漏检等现象。针对上述问题,提出一种融合超分辨率重建技术的多尺度目标检测算法。首先,算法以单阶段目标检测算法YOLO框架为基础,在颈部网络实现多尺度特征融合时加入超分辨率重建模块,避免进一步丢失较深层特征图中的细节特征。其次,使用通道注意力模块将较浅层特征图中的无关特征进行抑制,重点关注含有目标轮廓特征的通道信息,进一步增强浅层特征的表达能力。最后,在PASCAL VOC 2007和MS COCO 2017公开数据集上进行了消融实验和对比实验。实验结果表明,所提模块对检测性能有不同程度的提升,相比当前其他多尺度目标检测算法,所提算法在大、中、小三种尺度下目标平均精确率分别提升约1.20%、1.20%和1.30%,平均召回率分别提升约4.20%、3.50%和4.20%,算法整体检测性能得到进一步改善。

基于改进YOLOX的无人机航拍图像小目标检测算法

在无人机上运用目标检测技术具有广泛的应用前景,但和自然拍摄的图像不同,无人机航拍的图像更加复杂,且大多数为小目标。而现有的检测算法缺乏对小目标的特征提取能力,从而导致严重的误检和漏检问题。针对上述问题,提出一种基于YOLOX框架的高效的无人机小目标检测算法。首先,在特征融合网络中增加一层检测微小目标的特征融合结构,通过利用浅层特征图中丰富的位置信息和轮廓信息来加强网络对小目标的识别能力;同时,为了防止额外参数的增加,将减少头网络中的一层卷积层并缩减其通道数。其次,提出一种通道-空间注意力机制模块(Channel Spatial Attention Module,CSAM),利用最优的权重分配使网络聚焦于特征图中小目标密集的区域。最后,提出一种带位置引导的标签分配策略(LB-SimOTA),根据每个预测框和真实框的交并比(IOU)的大小,分别配以不同的权重,以改善网络中整体预测框的质量。在小目标居多的数据集VisDrone2019上的实验结果表明,文中提出的算法和YOLOX-S相比,针对车和人的检测精度提升了8.63%,检测速度FPS也可达到86,因此更适合在无人机对地面小目标检测的场景下部署。

基于检测增强型YOLOv3-tiny的道路场景行人检测

为了给驾驶员提供实时准确的行人信息、减少交通事故的发生,提出一种检测增强型YOLOv3-tiny(detection of enhanced YOLOv3-tiny,DOEYT)行人检测算法.创建鲁棒的特征提取网络,首先使用非对称最大池化进行下采样,防止随着感受野增大行人横向特征的丢失;其次使用Hardswish作为卷积层的激活函数优化网络性能;最后使用GC(globe context)自注意力机制获得全文特征信息.在分类回归网络部分,采用三尺度检测策略,提升小尺度行人目标的检测精度;使用k-means++算法重新生成数据集锚框,提高网络收敛速度.构建行人检测数据集并分为训练集和测试集,对DOEYT算法的性能进行试验验证.结果表明,非对称最大池化、Hardswish函数、GC自注意力机制分别使平均准确率AP提高14.4%、7.9%、10.8%;DOEYT算法在测试集上检测的平均准确率高达91.2%,检测速度为103帧/s,可见该算法可快速准确地检测行人,降低交通事故发生的风险.

改进YOLOv5s的轻量化航拍小目标检测算法

针对无人机航拍图像中小目标样本多、拍摄目标背景复杂、可提取特征信息少的问题,提出一种改进YOLOv5s的轻量化无人机航拍小目标检测算法。首先,改进算法网络结构,增加两条特征信息传播路径,跨层级连接避免特征损失,同时同级前后连接补充特征信息,并在特征融合过程中加入空间注意力机制,提高模型对小目标区域的关注程度,保留充足的目标特征信息;其次,针对数据集的特点,将骨干网络中低层小目标检测层融入到特征金字塔网络和路径聚合网络结构中,增加一个检测极小目标的头部;最后,在预测过程中引入SIoU Loss定位损失函数,进一步加快模型收敛速度,提升模型检测能力及定位精度。将该算法在VisDrone2019数据集上进行实验,结果表明,改进后的模型mAP50达到了38.5%,较基线方法 YOLOv5s提高了5.9百分点,同时与主流的检测方法相比也取得更高的检测精度,对于小目标检测任务具有较好的性能。

基于改进YOLOv5s的交通标志检测

在自动驾驶领域准确实时地检测出小目标交通标志具有重要意义,本文针对YOLOv5s算法检测小目标交通标志精度低、漏检等问题,提出了一种基于改进YOLOv5s的交通标志检测算法。将Transformer编码结构与C3模块结合,用新的C3TR替换主干网络中最后一个C3模块,提高主干网络对图像全局特征信息的提取能力;用EIoU Loss替换YOLOv5s的定位损失函数,提高模型检测框的回归精度;在多尺度检测部分,通过增加一层浅层检测层作为更小目标的检测层,提高对小目标交通标志的检测能力。实验结果表明,改进YOLOv5s检测算法在CCTSDB数据集上的平均检测精度(mAP)为93.1%,比原YOLOv5s提升了3.6%,对小目标交通标志检测精度更高。

基于YOLOv5的行人检测方法研究

针对YOLOv5在检测行人时容易出现漏检目标及检测精度低的问题,提出一种改进YOLOv5网络的行人检测模型。首先,主干网络使用SPD(Space-to-Depth)模块和Ghost卷积组合构造的SPD-GConv模块进行下采样,减少细粒度特征信息的损耗。其次,通过增加小尺寸检测层,增强模型的多尺度检测能力。然后,使用α-EIoU损失函数替换原始CIoU损失函数,提高行人目标定位准确度。使用Crowdhuman数据集进行训练和测试,实验结果表明,所提出算法比原始算法的召回率和平均精度值分别提高了4.7%和3.5%,能够有效提高远距离目标和密集场景下行人检测的准确率。

基于特征增强与融合的红外目标检测算法

针对红外图像中目标对比度、信噪比以及分辨率都较低等特点,将传统图像处理方法与深度学习技术结合,提出了一种基于特征增强与融合的红外目标检测网络。网络首先利用图像滤波、锐化以及均衡化等方法突出红外图像中的目标特征,丰富网络输入信息;其次,针对单个维度以及不同维度间的特征,设计多层次信息聚合的特征提取结构,充分提取并融合目标空间语义信息;同时,为提升特征提取结构中关键特征权重,引入混合注意力机制,以多种方式捕获目标全局上下文信息后增强对应空间及通道信息;最后,针对不同尺度目标,采用自适应加权方式来综合相邻维度特征,实现各尺度红外目标准确高效的检测。通过在KAIST、FLIR以及RGBT数据集上的实验结果表明,所提方法与现有基于神经网络的红外目标检测方法相比有效提升了红外目标检测性能,并且在复杂场景下,该方法也比其他同类算法具有更高的适应性。